课程推荐方法、装置、计算机设备及存储介质与流程
本申请涉及人工智能,应用于金融场景,尤其涉及一种课程推荐方法、装置、计算机设备及存储介质。
背景技术:
1、随着金融科技市场的发展,海量的金融课程资源与用户有限的注意力之间形成了显著矛盾。
2、为了解决课程和用户之间的匹配问题,相关技术中,主要依赖课程的文本元数据(如标题、简介、标签)与用户画像标签进行关键词匹配,从而为用户推荐相应的金融课程。但是该推荐方式较为粗略,仅仅停留在文本层面进行推荐,导致推荐的金融课程不够准确。
技术实现思路
1、本申请提供一种课程推荐方法、装置、计算机设备及存储介质,能够根据用户的历史学习数据实现对用户进行准确的课程推荐,提高了用户体验。
2、第一方面,提供了一种课程推荐方法,包括:
3、获取历史时间段内的多个采样时间点下用户的历史学习数据,以及课程库中每个课程对应的内容数据;
4、根据所述历史学习数据确定出所述用户对应的学习能力特征和学习兴趣特征;
5、将所述学习能力特征和所述学习兴趣特征输入到预训练的课程推荐模型的用户子模型中,输出所述用户对应的用户特征;
6、对每个课程对应的内容数据进行多模态特征提取,得到每个课程对应的多模态特征;
7、将至少部分课程对应的多模态特征输入到预训练的课程推荐模型的物品子模型中,输出至少部分课程对应的课程特征;
8、将所述用户特征和所述至少部分课程中每个课程对应的所述课程特征进行匹配,得到与所述用户匹配的多个待推荐课程。
9、第二方面,提供了课程推荐装置,包括:
10、获取模块,用于获取历史时间段内的多个采样时间点下用户的历史学习数据,以及课程库中每个课程对应的内容数据;
11、确定模块,用于根据所述历史学习数据确定出所述用户对应的学习能力特征和学习兴趣特征;
12、第一输入模块,用于将所述学习能力特征和所述学习兴趣特征输入到预训练的课程推荐模型的用户子模型中,输出所述用户对应的用户特征;
13、提取模块,用于对每个课程对应的内容数据进行多模态特征提取,得到每个课程对应的多模态特征;
14、第二输入模块,用于将至少部分课程对应的多模态特征输入到预训练的课程推荐模型的物品子模型中,输出至少部分课程对应的课程特征;
15、推荐模块,用于将所述用户特征和所述至少部分课程中每个课程对应的所述课程特征进行匹配,得到与所述用户匹配的多个待推荐课程。
16、第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述课程推荐方法的步骤。
17、第四方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述课程推荐方法的步骤。
18、在本申请实施例中提供的课程推荐方法、装置、计算机设备及存储介质所实现的方案中,通过获取历史时间段内的多个采样时间点下用户的历史学习数据,以及课程库中每个课程对应的内容数据;根据历史学习数据确定出用户对应的学习能力特征和学习兴趣特征;将学习能力特征和学习兴趣特征输入到预训练的课程推荐模型的用户子模型中,输出用户对应的用户特征;对每个课程对应的内容数据进行多模态特征提取,得到每个课程对应的多模态特征;将至少部分课程对应的多模态特征输入到预训练的课程推荐模型的物品子模型中,输出至少部分课程对应的课程特征;将用户特征和至少部分课程中每个课程对应的课程特征进行匹配,得到与用户匹配的多个待推荐课程。
19、以此,通过获取历史时间段内的多个采样时间点下用户的历史学习数据,以及课程库中每个课程对应的内容数据;历史学习数据包含了用户学习课程的长期行为信息,内容数据表征了每个课程所包含的内容信息。再根据历史学习数据确定出用户对应的学习能力特征和学习兴趣特征;学习能力特征和学习兴趣特征可以代表用户的学习能力和学习兴趣。然后将学习能力特征和学习兴趣特征输入到预训练的课程推荐模型的用户子模型中,输出用户对应的用户特征;该用户特征用于表征用户的学习偏好。再对每个课程对应的内容数据进行多模态特征提取,得到每个课程对应的多模态特征;多模态特征可以从课程多个模态的角度来表征课程。再将至少部分课程对应的多模态特征输入到预训练的课程推荐模型的物品子模型中,输出至少部分课程对应的课程特征;该课程特征可以用于表征课程的整体信息,课程特征和用户特征在同维度的语义空间内。最后将用户特征和至少部分课程中每个课程对应的课程特征进行匹配,得到与用户匹配的多个待推荐课程。这样通过将课程特征和用户特征进行匹配,从而能够找到与用户特征的语义接近的课程特征,将这些课程特征对应的课程确定为与用户匹配的待推荐课程。在用户学习金融课程的场景中,可以提升对用户推荐的金融课程的准确度,从而提升了用户体验。
20、相对于相关技术中,依赖课程的文本元数据与用户画像标签进行关键词匹配得到推荐课程的方案而言,本申请中能够通过课程的内容数据提取出多模态特征,再通过物品子模型实现进一步的特征提取,得到能够精准表征课程信息的课程特征;通过用户的历史学习数据确定出用户的学习兴趣特征和学习能力特征,再将学习兴趣特征和学习能力特征输入到用户子模型中,从而基于学习能力和学习兴趣两个维度进行特征提取得到用于准确表征用户的用户特征;最后通过用户特征和课程特征之间的匹配,得到与用户匹配的多个待推荐课程。这些待推荐课程是基于用户的学习能力和学习兴趣来准确推荐出来的,相对于相关技术的方案而言,本申请推荐出的待推荐课程更加适合用户,推荐准确性更高。
1.一种课程推荐方法,其特征在于,包括:
2.根据权利要求1所述的课程推荐方法,其特征在于,所述根据所述历史学习数据确定出所述用户对应的学习能力特征和学习兴趣特征,包括:
3.根据权利要求1所述的课程推荐方法,其特征在于,所述对每个课程对应的内容数据进行多模态特征提取,得到每个课程对应的多模态特征,包括:
4.根据权利要求1所述的课程推荐方法,其特征在于,还包括:
5.根据权利要求4所述的课程推荐方法,其特征在于,在所述将至少部分课程对应的多模态特征输入到预训练的课程推荐模型的物品子模型中,输出至少部分课程对应的课程特征之前,还包括:
6.根据权利要求4所述的课程推荐方法,其特征在于,在所述将所述用户特征和所述至少部分课程中每个课程对应的所述课程特征进行匹配,得到与所述用户匹配的多个待推荐课程之后,还包括:
7.根据权利要求6所述的课程推荐方法,其特征在于,所述根据所述权重在所述多个待推荐课程中确定出所述用户对应的目标课程,包括:
8.一种课程推荐装置,其特征在于,包括:
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7中任意一项所述的课程推荐方法。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任意一项所述的课程推荐方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com